CN117805616A - 一种锂离子储能***异常电芯识别方法 - Google Patents
一种锂离子储能***异常电芯识别方法 Download PDFInfo
- Publication number
- CN117805616A CN117805616A CN202211425955.2A CN202211425955A CN117805616A CN 117805616 A CN117805616 A CN 117805616A CN 202211425955 A CN202211425955 A CN 202211425955A CN 117805616 A CN117805616 A CN 117805616A
- Authority
- CN
- China
- Prior art keywords
- outlier
- cluster
- interval
- battery
- energy storage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004146 energy storage Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 37
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 30
- 239000000178 monomer Substances 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 48
- 238000012549 training Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012983 electrochemical energy storage Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种锂离子储能***异常电芯识别方法,该方法包括:步骤S1.获取电池簇各电池单体在连续静置区间的电芯数据;步骤S2.基于步骤S1获取的电芯数据提取目标数据,使用改进的自适应DBSCAN密度聚类对目标数据进行离群分析,识别离群电池单体;步骤S3.对连续静置区间内离群电池单体的电压和离群电池单体电压与非离群单体电压均值的偏差进行线性拟合;步骤S4.根据线性拟合的结果,对于离群电池单体,进行异常识别和风险判断。本发明在分析储能电站在线监测数据的基础上,提出一种锂离子储能***异常电芯识别方法,基于聚类与线性拟合方法识别簇内单体电压的离群与异常发展趋势,并根据故障特征输出分级告警结果。
Description
技术领域
本发明涉及深海海洋仪器领域,特别涉及一种应用于水下移动平台的声学传感器。更具体地说,涉及一种通过搭载于水下移动平台,能够为其供电,并实现海中声学数据、海洋背景场信息的声学传感装置。
背景技术
1.1背景技术
锂离子电池具有高能量密度、高功率密度、高效率、长使用寿命等优越特性,是电化学储能电站中的关键组成部分,其运行可靠性与稳定性是确保电化学储能安全运行的关键。随着电化学储能应用场景及规模的不断扩大,电化学储能电站安全事故呈高发态势,储能安全及风险防控关系到未来电化学储能行业和能源体系绿色安全的发展。锂离子电池随着使用工况和循环次数的变化,会出现不同程度的结构老化和性能衰减,其内部的枝晶生长、电解液消耗、界面阻抗增加等不良变化导致电池单体一致性差异变大,进而导致电池安全性随着使用周期积累而不断变差,给储能电站的安全运行造成隐患。
目前国内外在锂离子电池的故障诊断与预警方面开展了大量研究,但是多是基于实验室测量数据开展,相关模型算法需要较多的实验测试与分析数据(如内阻、容量等),距离在电化学电站的实际应用还有较大距离。
1.2与本发明相关的现有技术一
1.2.1现有技术一的技术方案
一种电池组异常电芯定位识别方法、***、设备及介质(CN 109120004A):该技术方案通过获取多个电池子组的电压参数,根据电池子组的电压参数确定异常电池子组;获取异常电池子组内压差变化曲线,根据所述压差变化曲线确定异常电芯并输出识别结果。
1.2.2现有技术一的缺点
该技术基于电池簇内各电芯充放电末端的压差阈值实现异常预警,未考虑压差的异常变化趋势,从而影响了异常识别的灵敏度,此外基于单一或组合阈值的异常判断未考虑电池簇内压差数据点的分布规律,对于提取存在离群特征数据点的准确性较差。
1.3与本发明相关的现有技术二
1.3.1现有技术二的技术方案
一种锂离子电池故障检测方法和***(CN108957349A):该技术方案通过对电池单体建立等效电路模型,基于当前状态下的电池单体SOC值分别获取开路电压和电池单体内阻进而计算获得电池单体端电压的估计值,通过将电池单体端电压估计值与实测值进行数据比对处理判断电池单体在不同SOC值和/或不同温度下的是否发生故障。
1.3.2现有技术二的缺点
该技术建立的电池端电压估计模型需要电芯开路电压与电池单体内阻作为输入,但在储能电站实际运行中电芯内阻的提取极为困难且准确性差,进而影响了模型对于端部电压的估算精度,因此上述方法尚不具备在现场实际应用的条件。
1.4与本发明相关的现有技术三
1.4.1现有技术三的技术方案
一种基于梯度提升树的锂离子电池故障诊断方法(CN113866642A):该技术方案获取锂离子电池的历史故障数据,对数据的处理、筛选出电池特征值参数或关键数值,形成数据集,将数据集划分为训练集和测试集,将选取的训练集及预测指标带入梯度提升树模型进行训练,通过迭代优化,待梯度提升树模型收敛后输出梯度提升树模型;采集锂离子电池运行中电池特征值参数或关键数值,输入训练后的梯度提升树模型,进行锂离子电池故障诊断。
1.3.2现有技术三的缺点
该技术需要基于历史故障案例数据开展故障诊断模型的训练,模型的惩罚项、损失函数、最大迭代次数、最大树深度、最大叶子节点数、采样比例等参数需要针对不同的输入训练样本进行调整和重新训练,且对算力有较高要求,因此难以满足在储能电站快速提取数据、及时输出异常电池预警结果的需求。
发明内容
本发明的目的在于提出并建立一种适用于运行在储能电站现场的异常电池识别模型,对电池的异常自放电、微短路、异常老化等导致的电压异常进行快速识别与告警。
为达到上述目的,本发明通过下述技术方案实现。
本发明提出了一种锂离子储能***异常电芯识别方法,该方法包括:
步骤S1.获取电池簇各电池单体在连续静置区间的电芯数据;
步骤S2.基于步骤S1获取的电芯数据提取目标数据,使用改进的自适应DBSCAN密度聚类对目标数据进行离群分析,识别离群电池单体;
步骤S3.对连续静置区间内离群电池单体的电压和离群电池单体电压与非离群单体电压均值的偏差进行线性拟合;
步骤S4.根据线性拟合的结果,对于离群电池单体,进行异常识别和风险判断。
作为上述技术方案的改进之一,所所述步骤S1具体包括:
步骤S1-1.提取某段时间内锂离子储能***中电池簇各电池单体的电芯数据并进行预处理;所述电芯数据包括:储能***电池簇内的所有单体电池电压、电池簇电流和时间数据;所述预处理,包括剔除数据中的空值;
步骤S1-2.对预处理后的电芯数据进行筛选,获取各个电芯连续静置区间的数据;
步骤S1-3.判断各个电芯连续静置区间的数据量是否满足要求,若满足则进入步骤S2;若不满足,则方法结束。
作为上述技术方案的改进之一,所述步骤S2中提取的目标数据为:每个连续静置区间内电池簇各电池单体电压T时间段内的均值与T时间段内设定的某分位数;
所述步骤S2还包括:根据识别的离群电池单体,判断各连续静置区间内是否存在簇内离群单体,若存在,则进入步骤S3;若不存在,则方法结束。
作为上述技术方案的改进之一,所述步骤S2中,使用改进的自适应DBSCAN密度聚类对目标数据进行离群分析,识别离群电池单体,具体包括如下步骤:
步骤S2-1.输入:样本集D={x1,x2,...,xm},其中m代表电池簇内的电池单体编号,xm代表日内m号电池的T时间段内电压平均值;采用自适应方法自动获取最优邻域参数(ε,MinPts),样本距离度量方式采取欧式距离;
步骤S2-2.初始化核心对象集合初始化聚类簇数k=0,初始化未访问样本集合Γ=D,初始化簇划分/>
步骤S2-3.对于变量j=1,2,...,m,按下述步骤找出聚类核心对象:
步骤S2-3-1.通过距离度量方式,找出样本xj的ε邻域子样本集Nε(xj);
步骤S2-3-2.将子样本集样本个数满足|Nε(xj)|≥MinPts的样本xj加入核心对象集合Ω;
步骤S2-3-3.重复步骤S2-3-1和S2-3-2,不断更新核心对象样本集合Ω;
步骤S2-4.若核心对象集合则方法结束,输出结果;若核心对象集合/>在核心对象集合Ω中,随机选择一个核心对象o,初始化当前核心对象队列Ωcur={o},初始化类别序号k为k+1,初始化当前簇样本集合Ωk={o},更新未访问集合Γ为Γ-{o};
步骤S2-5.若当前簇核心对象队列则当前聚类簇Ck生成完毕,更新簇划分C={C1,C2,...,Ck},更新核心对象集合,将当前核心对象集合更新为原集合与Ck的交集,转入步骤S2-4;若当前簇核心对象队列/>将当前核心对象更新为原集合与Ck的交集;
步骤S2-6.在当前簇核心对象队列Ωcur中取出一个核心对象o’,通过邻域距离找出所有的ε-邻域子集样本集Nε(o’),令集合Δ=Nε(o’)∩Γ,更新当前簇样本集合Ck为Ck∪Δ,更新未访问样本集合Γ为Γ-Δ,更新Ωcur为Ωcur∪(Δ∩Ω)-o’,转入步骤步骤S2-5;
步骤S2-7.输出结果为:簇划分C={C1,C2,...,Ch,...,Ck},Ch表示簇中的第h个簇,k为最终的总簇数;对于不隶属于任何簇的数据点定义为异常点。
作为上述技术方案的改进之一,所述步骤S2-1中,采用自适应方法自动获取最优邻域参数(ε,MinPts),包括以下步骤:
步骤S2-1-1.求解样本集D的候选ε参数集合Dε;
步骤S2-1-2.依次选用Dε中的元素作为候选ε参数计算得到MinPts参数,并输入DBSCAN对样本集进行聚类分析,分别得到不同K值下的簇数;当生成的簇数连续三次相同时,计该簇数N为最优簇数;
步骤S2-1-3.继续执行步骤S2-1-2,直到生成的簇数不再为N,并选用当簇数为N时对应的最大K值作为最优K值;最优K值对应的K-平均最近邻近距离则为最优ε参数,最优K值对应的MinPts参数则为最优MinPts参数。
作为上述技术方案的改进之一,所述步骤S2-1-1,具体包括:
步骤S2-1-1-1.计算样本集D的距离矩阵:
Dm×m={Dist(i,j)|1≤i≤m,1≤j≤m}
式中:Dm×m为m×m的对称矩阵;m为D中包含的样本数量;Dist(i,j)为D中第i个对象到第j个对象的距离;
步骤S2-1-1-2.对Dm×m的每行元素进行升序排序,则首列的元素组成的距离向量D0为对象到自身的距离,即全为0;第K列元素构成所有数据点的K-最邻近距离向量DK,K=1,2,…,m;
步骤S2-1-1-3.对DK中的元素求平均,得到DK的K-平均最邻近距离并将/>作为候选ε参数;对所有的K列元素进行计算,得到ε参数列表Dε:
作为上述技术方案的改进之一,所述步骤S2-1-2中,选用Dε中的元素作为候选ε参数计算得到MinPts参数,具体包括:
对于给定的Dε,依次求出每个ε对应的ε-邻域对象数量,并计算所有的ε-邻域对象数量的期望,并作为样本集D的邻域密度阈值MinPts参数;
其中,MinPts的计算式为:
式中,Pi为第i个对象的ε-邻域对象数量。
作为上述技术方案的改进之一,所述步骤S3,具体包括:
对连续静置区间内离群单体的电压进行线性拟合的函数表达式为:
U区间j_celli=coef区间j_celli*x+b
其中,x为连续静置区间内离群单体的电压数据点数,U区间j_celli为针对第j个连续静置区间第i个离群单体的电压,coef区间j_celli为针对第j个连续静置区间第i个离群单体进行线性拟合时的斜率;b为线性拟合模型的偏置项;
同时分别计算连续静置区间内各时刻各离群单体电压与非离群单体电压均值的电压偏差,并对电压偏差进行线性拟合,表达式为:
U压差_区间j_celli=coef压差_区间j_celli*x+c
其中,x为连续静置区间内离群单体的电压数据点数,U压差_区间j_celli为针对第j个连续静置区间第i个离群单体的电压偏差,coef压差_区间j_celli为针对第j个连续静置区间第i个离群单体进行线性拟合时的斜率;c为线性拟合模型的偏置项。
作为上述技术方案的改进之一,所述步骤S4,具体包括:
判断第j个连续静置区间第i个离群单体进行线性拟合时的斜率coef区间j_celli与coef压差_区间j_celli是否小于0:
若coef区间j_celli<0且coef压差_区间j_celli>0,则第j个连续静置区间第i个离群单体存在高风险异常;
否则第j个连续静置区间第i个离群单体存在低风险异常。
作为上述技术方案的改进之一,所述连续静置区间为电芯静置状态至少超过2小时;电芯静置状态满足:|Icluster|≤5A,其中,Icluster表示电池簇电流。
本发明与现有技术相比优点在于:
1.本发明在分析储能电站在线监测数据的基础上,提出一种锂离子储能***异常电芯识别方法,基于聚类与线性拟合方法识别簇内单体电压的离群与异常发展趋势,并根据故障特征输出分级告警结果;
2.本发明仅需要采集电池单体电压与电流数据即可输出电芯预警结果,且计算过程不涉及数据训练过程,因此更为适合部署储能电站现场使用;
3.本发明为满足储能电站现场运行条件,预警模型的输入数据主要储能电站在线监测数据,模型计算过程不涉及过于复杂的仿真、训练等过程,并具备足够的诊断精度与可解释性;
4.本发明的改进自适应DBSCAN密度聚类,能够根据分析数据点数自动调整模型参数。
附图说明
图1锂离子储能***异常电芯识别流程图。
具体实施方式
以下结合实施例进一步说明本发明所提供的技术方案。
图1为锂离子储能***异常电芯识别流程示意图,该技术的整体设计思路为通过分析储能***连续静置状态下的电池簇内各电池电压是否存在离群及异常下降趋势,进而识别异常单体,并根据电芯电压的故障特征区分异常风险等级。该技术仅需要采集电池单体电压与电流数据即可输出电芯预警结果,且计算过程不涉及数据训练过程,因此更为适合部署储能电站现场使用。具体预警流程如下:
1)单日电芯数据提取与预处理:提取但日内储能***电池簇内的所有单体电压、电池簇电流与时间数据(采样率为5s一个样本点及以上)并进行数据预处理,剔除原始数据中的空值;
2)筛选连续静置区间:根据电池簇电流Icluster判断电池工作状态,选取电芯静置状态(|Icluster|≤5A)超过2小时的连续静置区间,删除每个区间前10分钟的数据;
3)数据量判断:判断经预处理后的数据量是否满足预警建模要求(数据剔除后单个连续静置区间内数据点>1200条),如满足则进入下一步;如各区间数据点数均不满足则不需要进行预警,算法结束;
4)电池簇电压离群识别:提取每个连续静置区间内电池簇各电池单体电压的10min均值与10min内的10%分位数,基于DBSCAN密度聚类对各簇单体电压均值与10%分位数对单个连续静置区间内数据进行离群分析,识别离群电池单体,具体流程如下。
①输入:样本集D={x1,x2,...,xm},其中m代表电池簇内的电池单体编号,x1代表日内1号电池的10min电压平均值、10min内的10%分位数,采用自适应方法自动获取最优邻域参数(ε,MinPts)(自适应寻参方法见⑧),样本距离度量方式采取欧式距离;
②初始化核心对象集合初始化聚类簇数k=0,初始化未访问样本集合Γ=D,初始化簇划分/>
③对于j=1,2,...,m,按下述步骤找出聚类核心对象:
a.通过距离度量方式,找出样本xj的ε邻域子样本集Nε(xj);
b.将子样本集样本个数满足|Nε(xj)|≥MinPts的样本xj加入核心对象集合Ω;
c.重复步骤a和b,不断更新核心对象样本集合Ω;
④若核心对象集合则算法结束,输出结果;若核心对象集合/>在核心对象集合Ω中,随机选择一个核心对象o,初始化当前核心对象队列Ωcur={o},初始化类别序号k为k+1,初始化当前簇样本集合Ωk={o},更新未访问集合Γ为Γ-{o};
⑤若当前簇核心对象队列则当前聚类簇Ck生成完毕,更新簇划分C={C1,C2,...,Ck},更新核心对象集合,将当前核心对象集合更新为原集合与Ck的交集,转入步骤④;若当前簇核心对象队列/>将当前核心对象更新为原集合与Ck的交集;
⑥在当前簇核心对象队列Ωcur中取出一个核心对象o’,通过邻域距离找出所有的ε-邻域子集样本集Nε(o’),令集合Δ=Nε(o’)∩Γ,更新当前簇样本集合Ck为Ck∪Δ,更新未访问样本集合Γ为Γ-Δ,更新Ωcur为Ωcur∪(Δ∩Ω)-o’,转入步骤⑤;
⑦输出结果为:簇划分C={C1,C2,...,Ch,...,Ck},Ch表示簇中的第h个簇,k为最终的总簇数;对于不隶属于任何簇的数据点定义为异常点。
⑧自适应邻域参数(ε,MinPts)寻优方法:
1)求解样本集D的候选ε参数集合Dε:
a.计算样本集D的距离矩阵:
Dm×m={Dist(i,j)|1≤i≤m,1≤j≤m} (1)
式中:Dm×m为m×m的对称矩阵;m为D中包含的样本数量;Dist(i,j)为D中第i个对象到第j个对象的距离;
b.对Dm×m的每行元素进行升序排序,则首列的元素组成的距离向量D0为对象到自身的距离(全为0);第K列元素构成所有数据点的K-最邻近距离向量DK;
c.对DK中的元素求平均,得到DK的K-平均最邻近距离并将其作为候选ε参数。对所有的K进行计算,得到ε参数列表Dε:
d.进而生成MinPts参数列表,对于给定的Dε,依次求出每个ε对应的ε-邻域对象数量,并计算所有对象的ε-邻域对象数量的期望,作为样本集D的邻域密度阈值MinPts参数:
式中,Pi为第i个对象的ε-邻域对象数量,m为样本集D的对象数。
2)依次选取不同K值(K=1,2,…,m)下的K-平均最近距离,即依次选用Dε中的元素作为候选ε并根据式(3)得到MinPts参数,输入DBSCAN对样本集进行聚类分析,分别得到不同K值下的簇数。当生成的簇数连续三次相同时,计该簇数N为最优簇数;
3)继续执行2),直到生成的簇数不再为N,并选用当簇数为N时对应的最大K值作为最优K值。最优K值对应的K-平均最近邻近距离则为最优ε参数,最优K值对应的MinPts参数则为最优MinPts参数。
5)根据DBSCAN结果,判断各连续静置区间内是否存在簇内离群单体,如存在进入下一步,如各区间均不存在离群点则输出无异常,算法结束;
6)离群电池单体电压趋势判断:对于被识别为离群的某个(或某几个)连续静置区间下的电池单体,对该区间内离群单体的电压进行线性拟合(U区间j_celli=coef区间j_celli*x+b),其中x为数据点数),其中U区间j_celli为针对第j个连续静置区间第i个离群单体的电压,coef区间j_celli为针对第j个连续静置区间第i个离群单体进行线性拟合时的斜率;b为线性拟合模型的偏置项。
同时分别计算连续静置区间内各时刻各离群单体电压与非离群单体电压均值的偏差,对该电压偏差进行线性拟合,表达式为:
U压差_区间j_celli=coef压差_区间j_celli*x+c
其中,x为连续静置区间内离群单体的电压数据点数,U压差_区间j_celli为针对第j个连续静置区间第i个离群单体的电压偏差,coef压差_区间j_celli为针对第j个连续静置区间第i个离群单体进行线性拟合时的斜率;c为线性拟合模型的偏置项。
7)根据线性拟合的结果,对于各簇内离群单体,如存在coef区间j_celli<0且coef压差_区间j_celli>0,则该单体存在高风险异常,否则为低风险异常。
从上述对本发明的具体描述可以看出,本发明围绕电化学电站在线故障预警需求,提出一种锂离子储能***异常电芯识别方法,该方法能够基于储能电站在线监测数据快速分析与识别电池异常状态,具备在电站现场部署运行的条件,对于确保储能电站运行可靠性具有积极的现实意义。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种锂离子储能***异常电芯识别方法,该方法包括:
步骤S1.获取电池簇各电池单体在连续静置区间的电芯数据;
步骤S2.基于步骤S1获取的电芯数据提取目标数据,使用改进的自适应DBSCAN密度聚类对目标数据进行离群分析,识别离群电池单体;
步骤S3.对连续静置区间内离群电池单体的电压和离群电池单体电压与非离群单体电压均值的偏差进行线性拟合;
步骤S4.根据线性拟合的结果,对于离群电池单体,进行异常识别和风险判断。
2.根据权利要求1所述的锂离子储能***异常电芯识别方法,其特征在于,所所述步骤S1具体包括:
步骤S1-1.提取某段时间内锂离子储能***中电池簇各电池单体的电芯数据并进行预处理;所述电芯数据包括:储能***电池簇内的所有单体电池电压、电池簇电流和时间数据;所述预处理,包括剔除数据中的空值;
步骤S1-2.对预处理后的电芯数据进行筛选,获取各个电芯连续静置区间的数据;
步骤S1-3.判断各个电芯连续静置区间的数据量是否满足要求,若满足则进入步骤S2;若不满足,则方法结束。
3.根据权利要求1所述的锂离子储能***异常电芯识别方法,其特征在于,所述步骤S2中提取的目标数据为:每个连续静置区间内电池簇各电池单体电压T时间段内的均值与T时间段内设定的某分位数;
所述步骤S2还包括:根据识别的离群电池单体,判断各连续静置区间内是否存在簇内离群单体,若存在,则进入步骤S3;若不存在,则方法结束。
4.根据权利要求3所述的锂离子储能***异常电芯识别方法,其特征在于,所述步骤S2中,使用改进的自适应DBSCAN密度聚类对目标数据进行离群分析,识别离群电池单体,具体包括如下步骤:
步骤S2-1.输入:样本集D={x1,x2,...,xm},其中m代表电池簇内的电池单体编号,xm代表日内m号电池的T时间段内电压平均值;采用自适应方法自动获取最优邻域参数(ε,MinPts),样本距离度量方式采取欧式距离;
步骤S2-2.初始化核心对象集合初始化聚类簇数k=0,初始化未访问样本集合Γ=D,初始化簇划分/>
步骤S2-3.对于变量j=1,2,...,m,按下述步骤找出聚类核心对象:
步骤S2-3-1.通过距离度量方式,找出样本xj的ε邻域子样本集Nε(xj);
步骤S2-3-2.将子样本集样本个数满足|Nε(xj)|≥MinPts的样本xj加入核心对象集合Ω;
步骤S2-3-3.重复步骤S2-3-1和S2-3-2,不断更新核心对象样本集合Ω;
步骤S2-4.若核心对象集合则方法结束,输出结果;若核心对象集合/>在核心对象集合Ω中,随机选择一个核心对象o,初始化当前核心对象队列Ωcur={o},初始化类别序号k为k+1,初始化当前簇样本集合Ωk={o},更新未访问集合Γ为Γ-{o};
步骤S2-5.若当前簇核心对象队列则当前聚类簇Ck生成完毕,更新簇划分C={C1,C2,...,Ck},更新核心对象集合,将当前核心对象集合更新为原集合与Ck的交集,转入步骤S2-4;若当前簇核心对象队列/>将当前核心对象更新为原集合与Ck的交集;
步骤S2-6.在当前簇核心对象队列Ωcur中取出一个核心对象o’,通过邻域距离找出所有的ε-邻域子集样本集Nε(o’),令集合Δ=Nε(o’)∩Γ,更新当前簇样本集合Ck为Ck∪Δ,更新未访问样本集合Γ为Γ-Δ,更新Ωcur为Ωcur∪(Δ∩Ω)-o’,转入步骤步骤S2-5;
步骤S2-7.输出结果为:簇划分C={C1,C2,...,Ch,...,Ck},Ch表示簇中的第h个簇,k为最终的总簇数;对于不隶属于任何簇的数据点定义为异常点。
5.根据权利要求4所述的锂离子储能***异常电芯识别方法,其特征在于,所述步骤S2-1中,采用自适应方法自动获取最优邻域参数(ε,MinPts),包括以下步骤:
步骤S2-1-1.求解样本集D的候选ε参数集合Dε;
步骤S2-1-2.依次选用Dε中的元素作为候选ε参数计算得到MinPts参数,并输入DBSCAN对样本集进行聚类分析,分别得到不同K值下的簇数;当生成的簇数连续三次相同时,计该簇数N为最优簇数;
步骤S2-1-3.继续执行步骤S2-1-2,直到生成的簇数不再为N,并选用当簇数为N时对应的最大K值作为最优K值;最优K值对应的K-平均最近邻近距离则为最优ε参数,最优K值对应的MinPts参数则为最优MinPts参数。
6.根据权利要求5所述的锂离子储能***异常电芯识别方法,其特征在于,所述步骤S2-1-1,具体包括:
步骤S2-1-1-1.计算样本集D的距离矩阵:
Dm×m={Dist(i,j)|1≤i≤m,1≤j≤m}
式中:Dm×m为m×m的对称矩阵;m为D中包含的样本数量;Dist(i,j)为D中第i个对象到第j个对象的距离;
步骤S2-1-1-2.对Dm×m的每行元素进行升序排序,则首列的元素组成的距离向量D0为对象到自身的距离,即全为0;第K列元素构成所有数据点的K-最邻近距离向量DK,K=1,2,…,m;
步骤S2-1-1-3.对DK中的元素求平均,得到DK的K-平均最邻近距离并将/>作为候选ε参数;对所有的K列元素进行计算,得到ε参数列表Dε:
7.根据权利要求6所述的锂离子储能***异常电芯识别方法,其特征在于,所述步骤S2-1-2中,选用Dε中的元素作为候选ε参数计算得到MinPts参数,具体包括:
对于给定的Dε,依次求出每个ε对应的ε-邻域对象数量,并计算所有的ε-邻域对象数量的期望,并作为样本集D的邻域密度阈值MinPts参数;
其中,MinPts的计算式为:
式中,Pi为第i个对象的ε-邻域对象数量。
8.根据权利要求7所述的锂离子储能***异常电芯识别方法,其特征在于,所述步骤S3,具体包括:
对连续静置区间内离群单体的电压进行线性拟合的函数表达式为:
U区间j_celli=coef区间j_celli*x+b
其中,x为连续静置区间内离群单体的电压数据点数,U区间j_celli为针对第j个连续静置区间第i个离群单体的电压,coef区间j_celli为针对第j个连续静置区间第i个离群单体进行线性拟合时的斜率;b为线性拟合模型的偏置项;
同时分别计算连续静置区间内各时刻各离群单体电压与非离群单体电压均值的电压偏差,并对电压偏差进行线性拟合,表达式为:
U压差_区间j_celli=coef压差_区间j_celli*x+c
其中,x为连续静置区间内离群单体的电压数据点数,U压差_区间j_celli为针对第j个连续静置区间第i个离群单体的电压偏差,coef压差_区间j_celli为针对第j个连续静置区间第i个离群单体进行线性拟合时的斜率;c为线性拟合模型的偏置项。
9.根据权利要求8所述的锂离子储能***异常电芯识别方法,其特征在于,所述步骤S4,具体包括:
判断第j个连续静置区间第i个离群单体进行线性拟合时的斜率coef区间j_celli与coef压差_区间j_celli是否小于0:
若coef区间j_celli<0且coef压差_区间j_celli>0,则第j个连续静置区间第i个离群单体存在高风险异常;
否则第j个连续静置区间第i个离群单体存在低风险异常。
10.根据权利要求1-9之一所述的锂离子储能***异常电芯识别方法,其特征在于,所述连续静置区间为电芯静置状态至少超过2小时;电芯静置状态满足:|Icluster|≤5A,其中,Icluster表示电池簇电流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211425955.2A CN117805616A (zh) | 2022-11-15 | 2022-11-15 | 一种锂离子储能***异常电芯识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211425955.2A CN117805616A (zh) | 2022-11-15 | 2022-11-15 | 一种锂离子储能***异常电芯识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117805616A true CN117805616A (zh) | 2024-04-02 |
Family
ID=90422252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211425955.2A Pending CN117805616A (zh) | 2022-11-15 | 2022-11-15 | 一种锂离子储能***异常电芯识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117805616A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011223A (zh) * | 2024-04-08 | 2024-05-10 | 四川乐电新能源科技有限公司 | 一种电力储能***故障诊断方法及*** |
-
2022
- 2022-11-15 CN CN202211425955.2A patent/CN117805616A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011223A (zh) * | 2024-04-08 | 2024-05-10 | 四川乐电新能源科技有限公司 | 一种电力储能***故障诊断方法及*** |
CN118011223B (zh) * | 2024-04-08 | 2024-06-11 | 四川乐电新能源科技有限公司 | 一种电力储能***故障诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
CN112763929B (zh) | 一种储能电站***电池单体健康预测方法及装置 | |
Gan et al. | Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles | |
CN106842045B (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理*** | |
CN110224192A (zh) | 一种梯次利用动力电池寿命预测方法 | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
CN112906744A (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
CN103336867B (zh) | 质子交换膜燃料电池模型优化处理方法 | |
CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
CN115469227B (zh) | 一种集合变分自编码器与动态规整的锂电池异常检测方法 | |
CN112327167A (zh) | 一种电池容量跳水风险评估方法及*** | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和*** | |
CN117805616A (zh) | 一种锂离子储能***异常电芯识别方法 | |
CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN113253125B (zh) | 一种基于信息融合的磷酸铁锂电池热失控监测方法及*** | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
CN117036103A (zh) | 基于lstm循环神经网络的电力***运行态势预测方法 | |
CN115267586A (zh) | 锂电池soh评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |